Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Dotyczy tylko:
Standardowa uprząż
Retrieval Augmented Generation (RAG) w Microsoft Copilot Studio łączy zdolności rozumowania modeli językowych z zaufaną, specyficzną dla organizacji wiedzą. Pozwala agentom generować dokładne, kontekstowe i ugruntowane odpowiedzi oparte na treści przedsiębiorstwa, zamiast polegać wyłącznie na pamięci modelu.
W tym artykule dowiesz się, jak:
- Zrozum, jak RAG zwiększa niezawodność i ugruntowanie AI.
- Opisz, jak program Copilot Studio pobiera i syntetyzuje wiedzę.
- Zidentyfikuj wspierane źródła wiedzy oraz ich ograniczenia.
- Uwzględnij kwestie zarządzania, zgodności i bezpieczeństwa AI.
- Stosuj koncepcje RAG podczas projektowania agentów w środowiskach przedsiębiorstw.
Wprowadzenie do RAG
RAG to wzorzec projektowy, który poprawia dokładność AI poprzez połączenie dwóch możliwości:
- Wyszukiwanie informacji: Przeszukiwanie źródeł danych w przedsiębiorstwie.
- Generowanie tekstu: Synteza odzyskanych informacji za pomocą modelu językowego.
Takie podejście redukuje błędne informacje, zwiększa zaufanie i generuje odpowiedzi oparte na rzeczywistych treściach organizacyjnych.
Architektura RAG w programie Copilot Studio
Potok RAG programu Copilot Studio jest oparty na usługach Azure AI i ściśle integruje się z zasadami zaufania, zgodności i zabezpieczeń firmy Microsoft.
Podstawowe komponenty:
- Copilot Studio runtime: Zarządza potokiem konwersacji
- Silnik optymalizacji zapytań: przepisuje i interpretuje zapytania
- dostawcy Search: Bing, SharePoint, Graph, Dataverse, Wyszukiwanie AI platformy Azure
- Silnik podsumowujący: Tworzy odpowiedzi oparte na solidnych fundamentach i z podaniem źródeł.
- Warstwy moderacji: Weryfikuje wiadomości i streszczenia
- Przechowalnia stanu: Pamięć krótkotrwała (mniej niż 30 dni; nie wykorzystywana do szkolenia)
- Telemetria i magazyny informacji zwrotnej: Dostarczają wglądu i nadzoru
Jak działa RAG w programie Copilot Studio
RAG w Copilot Studio przebiega według czteroetapowego procesu:
- Ponowne zapisywanie zapytań
- Wyszukiwanie treści
- Podsumowywanie i generowanie odpowiedzi
- Walidacja bezpieczeństwa i zarządzania
1. Przepisywanie zapytań
Copilot Studio optymalizuje pytanie użytkownika przed wyszukaniem:
- Wyjaśnia znaczenie
- Dodaje sygnały kontekstowe (ostatnie 10 tur)
- Poprawia dopasowanie słów kluczowych
- Generuje przyjazne wyszukiwarskim zapytaniam
Proces ten zwiększa jakość pobierania i zmniejsza nieistotne rezultaty.
2. Wyszukiwanie treści
Po przepisaniu zapytania system uruchamia je na wszystkich ustalonych przez Ciebie źródłach wiedzy. Copilot Studio pobiera trzy najlepsze wyniki z każdego źródła, równoważąc istotność z wydajnością. Zachowanie każdego źródła wiedzy różni się w zależności od czynników takich jak uwierzytelnianie, indeksowanie, formaty plików oraz ograniczenia dotyczące przechowywania danych.
Poniższa tabela podsumowuje wszystkie obsługiwane źródła wiedzy oraz ich możliwości, ograniczenia i wymagania uwierzytelniania:
| Źródło wiedzy | Description | Authentication | Kluczowe możliwości, granice i ograniczenia |
|---|---|---|---|
| Dane publiczne (strony internetowe) | Strony internetowe indeksowane przez Bing | None |
|
| SharePoint/OneDrive | Wewnętrzne treści przedsiębiorstwa (tylko wewnętrzne) | Delegowane uwierzytelnianie Microsoft Entra ID |
|
| Przesłane pliki | Pliki przesłane do pamięci Dataverse | None |
|
| Tabele Dataverse | Strukturalne dokumenty biznesowe (tylko wewnętrzne) | Delegowane uwierzytelnianie Microsoft Entra ID |
|
| Łączniki grafów | Aplikacje dla przedsiębiorstw indeksowane do Microsoft Graph (tylko wewnętrzne) | Delegowane uwierzytelnianie Microsoft Entra ID |
|
| Złącza czasu rzeczywistego | Dane na żywo z systemów takich jak Salesforce, Zendesk, SQL (tylko wewnętrzne) | Użytkownik musi być zalogowany |
|
| Wyszukiwanie AI platformy Azure | Wyszukiwanie semantyczne wektorowe | Skonfigurowany punkt końcowy |
|
| Dane niestandardowe | Dane dostarczane przez API, przepływy lub niestandardową logikę | None |
|
3. Streszczanie i generowanie odpowiedzi
- AI syntetyzuje pobrane treści
- Stosuje niestandardowe instrukcje dotyczące tonu, formatowania, bezpieczeństwa lub zwięzłości
- Generuje cytowania do danych źródłowych
- Personalizuje odpowiedzi na podstawie kontekstu użytkownika (takiego jak język, dział lub region)
4. Walidacja bezpieczeństwa i zarządzania
Każda odpowiedź przechodzi przez automatyczne warstwy walidacyjne:
- Moderacja szkodliwych, złośliwych, niezgodnych lub chronionych prawem autorskim odpowiedzi
- Weryfikacja uziemienia i usuwanie nieprawidłowych informacji
Brak danych klientów wykorzystywanych do trenowania modeli językowych.
Kluczowe kwestie przy korzystaniu z RAG
RAG najlepiej sprawdza się przy pytaniach i odpowiedziach faktycznych, a nie przy głębokiej analizie dokumentów.
RAG jest idealny do:
- Odpowiadanie na pytania z baz wiedzy
- Podsumowywanie polityk, FAQ i treści proceduralnych
- Pobieranie konkretnych faktów z plików lub systemów wewnętrznych
RAG nie jest przeznaczony do:
- Pełne porównanie dokumentów
- Ocena zgodności z polityką
- Złożone rozumowanie nad długimi, nieustrukturyzowanymi dokumentami
Aspekty bezpieczeństwa i zgodności generatywnej AI
Funkcje generowania sztucznej inteligencji w Microsoft Copilot Studio zostały zaprojektowane w celu zapewnienia zaawansowanych możliwości konwersacji i rozumowania przy zachowaniu silnych mechanizmów kontroli zabezpieczeń, prywatności i zgodności.
Modele fundacji i hosting
- Copilot Studio opiera się na modelach podstawowych, które są trenowane przez OpenAI.
- Copilot Studio używa jednego z najnowszych modeli OpenAI do generowania odpowiedzi.
- Modele działają w całości na wewnętrznych usługach Azure AI Foundry dostosowanych do granicy zaufania usług firmy Microsoft.
- Wszystkie modele są zgodne z zasadami i politykami Microsoft Responsible AI .
Instrukcje niestandardowe
Twórcy mogą udostępniać niestandardowe instrukcje do kształtowania zachowania modelu, wpływania na ton lub dodawania reguł formatowania. Instrukcje te pomagają dostosować odpowiedzi generatywne do potrzeb organizacji, jednocześnie zachowując szanowanie filtrów bezpieczeństwa i kontroli zgodności.
Przechowywanie i przetwarzanie danych
- Przechowywanie i przetwarzanie danych w Copilot Studio może przenosić dane między granicami regionalnymi, gdy hosting lokalnego modelu nie jest dostępny.
- Gdy przenoszenie danych nie jest dozwolone, administratorzy mogą używać ustawień środowiska do wyłączania określonych funkcji, takich jak modele językowe Azure lub wyszukiwanie Bing.
- Copilot Studio nie zbiera ani nie używa żadnych danych klientów do trenowania modeli językowych.
Obsługa danych operacyjnych
- Podczas pracy system tymczasowo przechowuje rozmowy w zabezpieczonym sklepie obsługiwanym przez Microsoft.
- Dostęp autoryzowanych pracowników Microsoft jest ograniczony za pomocą Stacji Dostępowych Secure Access (SAW) z kontrolami Just-In-Time (JIT).
- Organizacje mogą dodatkowo kontrolować dostęp za pomocą Customer Lockbox, wymagając wyraźnej zgody przed przeglądem danych przez inżynierów wsparcia Microsoft.
Rozwiązywanie problemów z telemetrią
- Funkcje generatywnej AI generują dodatkowe dane dotyczące rozwiązywania problemów, ale tylko dla działań inicjowanych przez twórcę w oknie testowym, szczególnie gdy twórca daje kciuk w górę lub dół odpowiedzi.
- Nie rejestruje się dodatkowych danych klientów poza tą wyraźną pętlą zwrotną.
Monitorowanie nadużyć i bezpieczeństwo
Ponieważ wiele warstw bezpieczeństwa już chroni funkcje generowania sztucznej inteligencji, generatywna sztuczna inteligencja Copilot Studio wyłącza monitorowanie nadużyć w Azure AI aby uniknąć dalszego rejestrowania danych klientów.